关于前馈多层神经网络多维函数逼近能力的一个定理

本文首次证明了前馈神经网络多维函数逼近能力的一个重要定理，当隐层神经数目足够多时，其多维函数逼近能力与维数无关，也就是说我们只需研究其一维函数逼近能力，所得的结论完全适合于多维情形，该定量大大简化了前馈多层神经网络函数逼近问题的分析难度，本文还给出了该定理的一个应用。     

前馈型神经网络中隐藏层神经元的研究

本文采用前馈型神经网络及BP算法对3种飞机模型的复合畸变不变性识别进行了研究。结合以前用级联神经网络及聚类编码方法对同一问题的研究结果,对神经网络的隐藏层神经元的个数及其对识别率及权重训练的影响进行了研究,提出了减少隐藏层神经元的一种方法,以简化识别网络的结构。     

前馈神经网络隐层结构点设计的一个学习算法

考虑三层前馈神经网络隐结点学习问题。在分析同类民不同类训练样本在隐层输出上体现的差异的基础上，提出了一种在权值学习过程中动态地删除网络隐结点数的学习算法。数值结果表明本文算法法可行的。     

前馈神经网络的代价函数全局最小值分析

本文首次从理论上给出了三层前馈神经网络代价函数全局最小值的计算公式.这一计算公式在网络训练之前就可根据已知的目标样本和隐层神经元个数来确定网络代价函数的全局最小值.并指出代价函数全局最小值髓隐层神经元个数的增加而单调减小.当隐层神经元个数不小于样本个数时,网络的代价函数全局最小值将等于零.     

前馈神经网络隐层结点设计的一个学习算法

考虑三层前馈神经网络隐结点学习问题．在分析同类与不同类训练样本在隐层输出上体现的差异的基础上，提出了一种在权值学习过程中动态地用除网络隐结点数的学习算法．数值结果表明本文算法是可行的．     

基于模糊分类器及多层前馈神经网络混合结构的说话人辨认

提出了基于模糊超椭球聚类算法的说话人辨认新方法。该算法首先将某一类的训练数据分成若干子类, 对每一子类在其中心周围定义具有超椭球区域的模糊规则。实验表明,该系统可以较快的聚类速度取得与HMM 相当的识别效果。进一步的研究表明,基于模糊超椭球聚类算法的说话人辨认系统与传统的基于HMM的识别方法存在一个共同的缺点,即抗噪性能较差。为此,通过引入多层前馈神经网络(MLFNN)与模糊超椭球分类器构成混合模型,使系统的识别性能和抗噪能力显著提高。     

改进的非线性最小二乘算法训练多层前馈神经网络

本文通过在普通非线性最小二乘算法的准则函数中加一个正则项，推导出一种改进的非线性最小二乘算法，包括地的批处理形式和递推形式，使用该算法的递推形式训练多层前馈神经网络能克服病态，减少计算量和内存占用量，文中给出的仿真结果说明该算法具有比常的ＢＰ算法更好的收敛性能。     

多层前馈网络在图象分割中的应用

本文提出用多层前馈网络进行基于边缘信息的图象分割，讨论了学习样本的提取步骤和网络学习的速度改进方法，实验表明，用多层前馈网络进行图象分割能获得良好的结果。     

BP神经网络在函数逼近中的应用研究

函数逼近在纯数学领域、工程和物理学领域得到了广泛的应用。利用人工神经网络映射能力,通过样本不断学习实现对未知函数的逼近。利用BP神经网络研究人工神经网络在函数逼近中的应用,研究过程利用MATLAB神经网络工具箱设计网络并进行仿真实验。     

函数逼近神经网络的一种快速学习算法

通过分析特学习参数的不同特性，提出一种快速收敛方法，使网络的收敛速度大大提高。通过对多种函数的实验，与不同的网络结构对比，表明此方法具有很强的普遍性。     

G神经网络函数映射能力的构造性证明

该文研究了G神经网络的函数映射能力,给出了前馈G神经网络映射任意G型多项式的构造性证明。采用该文的方法映射同一个多项式,所用的神经元数目可少至以往方法的2/(n+1),其中n是G型多项式的次数。     

谱峰搜索的神经网络实现

本文提出了谱峰搜索的神经网络方法,作为一个线性规划问题,通过构造适当的代价函数把谱峰搜索与Hopfield线性规划网络联系起来。网络中神经元的个数与参数空间搜索的分辨率无关,而与传感器阵列中传感器的个数成线性关系,因此神经元的个数并不要求很多,理论分析和仿真实验证明,该方法实际上与MUSIC方法或RD(实数域波达方向估计)法是等价的。     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

小波分析与神经网络结合的研究进展

目前,小波与神经网络的结合是一个十分活跃的研究领域。本文综述了这一领域的研究进展和现状,从两者结合方式的不同将其分为辅助式及嵌套式两种结合方式,重点阐述了嵌套式的结合方式小波神经网络,并对其主要模型、算法和其它相关问题进行了论述。本文还讨论了小波网络的各种应用,从中可以看到它在函数逼近、信号分类、系统辨识、图像压缩等应用领域有极大的潜力,最后展望了今后的研究方向。     

时延细胞神经网络的渐近稳定性条件

该文利用一个新的Liapunov函数,讨论了带时延细胞神经网络的全局渐近稳定性,得到了一些判定网络的全局渐近稳定新的充分条件,所得到的结果较之P.P.Civalleri等人的结果简单和实用且对于具体设计带时延细胞神经网络有重要的指导意义。     

RESEARCHES ON THE STABILITIES OF ANALOG ELECTRONIC NEURAL NETWORKS

A new method for analyzing the stabilities of analog electronic neural networks ispresented.The energy functions with clear physical meaning are derived by introducing the staticequivalent circuit models,which has expanded the Tellegen Theorem for application on circuitanalysis.The method used to derive the energy functions of nets from first order differentialequations is valid for all first order continuous autonomous systems.The stability analysis ofcellular neural networks is made by the use of the stationary cocontent theorem.Some resultsare instructive for the network implementation on circuits.     

用于信号或函数逼近的子波神经网络快速收敛初值设定法

针对目前用于信号（函数）逼近的子波神经网络的收敛速度慢的问题，提出一种子波网络的初值设定方法，使子波网络的收敛速度大大提高，通过对线性多项式、指数、三角函数及某些分段函数的实验以及与不同网络的对比，表明此方法具有很强的普适性     

细胞神经网络的全局指数稳定性

本文研究了细胞神经网络的全局指数稳定性问题,运用Lyapunov函数法和不等式的分析技巧给出了细胞神经网络全局指数稳定的三个判据。     

模拟神经网络稳定性研究

本文提出了模拟神经网络稳定性分析的静态等效模型,通过推广特勒根定理,从等效模型导出了物理意义清晰的能量函数。由一阶微分方程组求网络能量函数的方法普适于所有的一阶连续自治系统。文章并利用能量平稳原理对点格神经网络的稳定性质进行了讨论,得到了一些对于网络的电路实现具有一定指导意义的结果。